Predição da concentração de plaquetas a partir de medidas ROTEM baseada em aprendizado de máquina

Por que checagens rápidas das plaquetas importam

Quando uma pessoa está sangrando durante uma cirurgia ou na unidade de terapia intensiva, os médicos precisam decidir rapidamente se devem administrar transfusões de plaquetas para ajudar na coagulação. Testes laboratoriais padrão podem contar plaquetas com precisão, mas frequentemente demoram uma hora ou mais, retardando decisões urgentes. Dispositivos à beira do leito que acompanham como um coágulo se forma em tempo real são muito mais rápidos, contudo não mostram diretamente quantas plaquetas há no sangue. Este estudo investiga se modelos computacionais podem traduzir essas medidas rápidas à beira do leito em informações confiáveis sobre níveis perigosamente baixos de plaquetas.

Um olhar rápido sobre a coagulação em tempo real

Testes modernos ponto de atendimento como a tromboelastometria rotacional, ou ROTEM, observam como uma amostra de sangue coagula desde o primeiro disparo de coagulação até o ponto em que o coágulo está firme e depois se desfaz. Esses testes fornecem curvas e números que refletem quão forte e estável o coágulo se torna, mas não o número real de plaquetas. Pesquisas anteriores mostraram que algumas leituras do ROTEM se relacionam com os níveis de plaquetas, porém fórmulas simples usando um único valor do ROTEM não previam a contagem de plaquetas com precisão suficiente para orientar o tratamento. Os autores questionaram se técnicas computacionais mais avançadas, que consideram muitas características do ROTEM ao mesmo tempo, poderiam fazer melhor.

Construindo modelos computacionais a partir de dados hospitalares

A equipe reuniu 2.333 pares de exames de sangue de quatro hospitais universitários, todos coletados de pacientes cirúrgicos ou de terapia intensiva entre 2014 e 2023. Para cada caso tinham um conjunto completo de medidas ROTEM e uma contagem laboratorial de plaquetas realizada dentro de três horas. Após limpar cuidadosamente os dados e preencher valores ausentes, alimentaram 29 variáveis relacionadas ao ROTEM em vários métodos de aprendizado de máquina. Alguns modelos tentaram prever a concentração exata de plaquetas, enquanto outros abordaram questões mais simples: a contagem de plaquetas está abaixo de 100 bilhões por litro, ou abaixo de 50 bilhões por litro, níveis amplamente usados como limites de segurança em cirurgia e hemorragia crítica.

Quão bem os modelos conseguiam contar plaquetas

Quando solicitados a estimar a contagem exata de plaquetas, todos os modelos de aprendizado de máquina superaram fórmulas antigas de linha única que dependiam de um único valor derivado do ROTEM. A melhor abordagem, um modelo em ensemble empilhado que combina vários métodos, ainda mostrou apenas precisão moderada. Suas previsões diferiam da contagem verdadeira por uma média de cerca de 40 bilhões de plaquetas por litro, o que os autores consideram impreciso demais para decisões confiantes de dosagem. Gráficos comparando contagens previstas e reais, bem como verificações estatísticas de viés e dispersão, confirmaram que os modelos frequentemente erravam para pacientes individuais mesmo quando capturavam tendências gerais.

Detectar níveis perigosamente baixos funciona melhor

Os modelos tiveram desempenho muito melhor em uma tarefa mais simples e clinicamente crucial: sinalizar pacientes com contagens claramente baixas de plaquetas. Para detectar contagens abaixo de 100 bilhões por litro, modelos de floresta aleatória e ensembles alcançaram valores altos em uma medida padrão de qualidade de teste chamada área sob a curva. Foram especialmente fortes em excluir trombocitopenia, com chances muito altas de que um resultado “seguro” significasse realmente que o paciente estava acima do limite. O desempenho foi ainda melhor para detectar contagens abaixo de 50 bilhões por litro, onde o modelo ensemble novamente se destacou. Esses resultados se mantiveram em diferentes formas de avaliar a precisão e foram claramente superiores a confiar apenas no único valor derivado do ROTEM.

O que isso pode significar à beira do leito

Os autores concluem que os modelos atuais de aprendizado de máquina ainda não são precisos o bastante para substituir a contagem laboratorial de plaquetas, porque suas estimativas do número exato variam demais para pacientes individuais. No entanto, os mesmos modelos são muito bons em responder sim ou não à pergunta de saber se as plaquetas caíram abaixo de limites de segurança chave. Em situações de sangramento urgente, essa orientação rápida à beira do leito poderia ajudar médicos a adiar ou evitar transfusões de plaquetas com segurança enquanto aguardam os resultados de laboratório, reduzindo tanto atrasos no cuidado quanto exposição desnecessária a hemoderivados.

Citação: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Palavras-chave: contagem de plaquetas, trombocitopenia, ROTEM, aprendizado de máquina, transfusão de plaquetas